JP2016162074A

JP2016162074A - 要求数予測装置及び要求数予測方法

Info

Publication number: JP2016162074A
Application number: JP2015038579A
Authority: JP
Inventors: 浩亮坂田; Hiroaki Sakata
Original assignee: Nippon Telegraph and Telephone East Corp
Current assignee: Nippon Telegraph and Telephone East Corp
Priority date: 2015-02-27
Filing date: 2015-02-27
Publication date: 2016-09-05

Abstract

【課題】複数ステップ以上先までの処理要求数を予測する。
【解決手段】要求数予測装置１の学習部４は、各単位時間において発生した処理要求の数に基づいて、処理要求の数を変数とし、単位時間における処理要求の数から次の単位時間における処理要求の予測数を算出する時系列予測アルゴリズムを学習する。要求数予測部５は、学習された時系列予測アルゴリズムを用いて、予測を開始する単位時間の前の単位時間において発生した処理要求の数から、予測を開始する単位時間における処理要求の予測数を算出した後、算出された予測数から、時系列予測アルゴリズムを用いて、予測数が算出された次の単位時間における処理要求の予測数を算出する処理を繰り返して処理要求の予測数の推移を算出する。
【選択図】図１

Description

本発明は、要求数予測装置及び要求数予測方法に関する。

近年、キャリアが提供するＩＰ（Internet Protocol）ネットワークサービス（以下、「サービス」と記載する。）は、ＩＳＰ（インターネットサービスプロバイダ）接続・電話・映像配信を中心に多様なサービスプランを顧客に提案している。例えば、映像配信のチャネル追加・変更、無線アクセスの付加サービス、並びに、利用料の定額制または多段階定額制・従量制の選択等である。こうしたサービスプランの多様化は加入者の増加に留まらず、顧客に選択の幅を広げたことで既加入者によるサービスの契約変更も増大している。

顧客に対するサービスの設定は、上位ＯｐＳ（オペレーションシステム）からのサービス設定要求に基づき、ＥＭＳ（エレメント管理システム）からＩＰネットワークを構成する装置に対してコマンドを投入することで実現されている。つまり、サービス設定要求は、サービスを設定するための処理をＥＭＳへ要求する処理要求に相当する。顧客のサービス契約、解約および契約変更を契機に発生する上位ＯｐＳからＥＭＳへのサービス設定要求は、季節・時刻・地域およびイベント等によって頻度が変動する。サービス設定要求には即時処理が求められるものもあるため、ＥＭＳは全てのサービス設定要求に即応できるよう、ハイスペックなＨＷ（ハードウェア）／ＭＷ（ミドルウェア）の選定や最大負荷時のＥＭＳ性能需要を想定してＣＡＰＥＸ（capital expenditure：設備投資）／ＯＰＥＸ（operating expenditure：運用コスト）への投資をしなくてはならなかった。しかし、最大負荷時以外は本来ＥＭＳ性能需要が小さいため、最大負荷時のサービス設定要求全てに即応可能とすることは、設備効率が良いとはいえない。そこで、ＥＭＳの設備資源を最大限に利用可能にすることを目的に、ＥＭＳ性能余力に基づいて適切に負荷を平準化（ピークシフト）する技術が検討されてきた（例えば、非特許文献１参照）。

ＥＭＳで扱うサービス設定要求（以下、「要求」と記載する。）の種別には、一般要求と優先要求の２種類がある。一般要求は、通常の要求であり、設定の遅延がある程度許容されるサービス設定時に発生する。一般要求同士は、要求発生順序に従って処理されなければならない。優先要求は、処理優先度が高い要求であり、設定の遅延が許容されないサービス設定時や緊急時に発生する。優先要求と一般要求が混在して発生した場合、必ず優先要求から処理が行われる。優先要求同士は、要求発生順序に従って処理されなければならない。一般要求か優先要求かの要求種別は、要求元が指定する。

要求の要件において、優先要求は緊急度が高く、ＥＭＳからＩＰネットワーク構成装置へのコマンドシナリオ投入処理のタイミングを遅らせることができない。一方で、緊急度が低い一般要求は、コマンドシナリオ投入処理のタイミングを遅らせることが可能である。従って、ＥＭＳ負荷を平準化する方法として、一般要求の実行を遅らせて、ＥＭＳ負荷が小さい時に実行させる方法が考えられる。ただし、一般要求と優先要求は不定期かつ混在して発生することから、ＥＭＳ性能余力に応じて一般要求の処理タイミングを調節するためには、優先要求を遅延なく処理するだけのＥＭＳ性能を常時確保し、ＥＭＳ性能余力に応じて一般要求の処理数を制御しなければならない。

ここで、ＥＭＳ性能（ＥＭＳにおいて遅延なく処理可能な要求数）をＰ_ＥＭＳとし、ある時刻ｔにおける優先要求数をＯ_{ｐｒｉｏｒｉｔｙ}（ｔ）とすると、ＥＭＳ性能余力（ｔ）は下記の式で表せる。

ＥＭＳ性能余力（ｔ）＝Ｐ_ＥＭＳ−Ｏ_{ｐｒｉｏｒｉｔｙ}（ｔ）

もし、Ｐ_ＥＭＳがＯ_{ｐｒｉｏｒｉｔｙ}（ｔ）を下回る場合は、全ての優先要求を即時に実行するための性能がＥＭＳに不足しており、ＥＭＳは性能需要を満たしていないことになる。

ＥＭＳ性能余力の事前把握に際し、一般的にＰ_ＥＭＳは固定であるのに対し、要求数は変動するため、Ｏ_{ｐｒｉｏｒｉｔｙ}（ｔ）を予測しなければならない。ＥＭＳ負荷は要求数に比例して増大するため、不定期かつ時々刻々と変換するＯ_{ｐｒｉｏｒｉｔｙ}（ｔ）を如何に精度良く見積もるかが負荷平準化の効果に影響する。

要求は季節や時刻・地域によって発生頻度が変動することが経験的にわかっているため、要求履歴を統計的に分析することで一見して不規則な要求数推移の中にも何らかの特性が見られると考えられる。非特許文献１では、当日の曜日、祝祭日当否、予測時刻直前の要求数および予測時刻における前日と一週間前の要求数などの述べ２８個の素性（特徴量）を抽出している。そして、ＳＶＲ（Support Vector Regression）を適用し、過去の要求履歴より得られるこれらの素性からＯ_{ｐｒｉｏｒｉｔｙ}（ｔ＋１）を予測している。

坂田浩亮、外２名、「ＥＭＳ設定制御負荷平準化に向けた業務量推定へのSVRの適用と有効素性の提案」、一般社団法人電子情報通信学会、２０１３年、電子情報通信学会技術研究報告.ＩＣＭ、情報通信マネジメント、１１２（４９２）、ｐ.１９−２４

ＥＭＳ性能余力に基づいて負荷を平準化するＥＭＳ負荷平準化技術を実システムに適用し、キャリア網における運用を想定した場合、１ステップ先の要求数を予測する非特許文献１の技術では、次のような課題がある。すなわち、非特許文献１の技術では、１か月後、２か月後などの将来の要求数や運用要件に即したＥＭＳ性能需要を計るという用途には適用できないこと、また、負荷平準化により要求に対する処理がどれくらい遅延するかがわからない場合があることである。

非特許文献１におけるＳＶＲは、１ステップ先の要求数を予測するために用いる推定器である。そのため、負荷平準化は、ＳＶＲによる優先要求数の予測を毎ステップ（単位時間毎に）繰り返し、その都度ＥＭＳ性能余力を計算して一般要求の処理数を制御することで実現する。一方で、負荷平準化により後回しにされた一般要求がいつ処理実行されるかは次の予測結果に依存してしまうため、必ずしも１ステップ先で処理されるとは限らない。なぜなら、後回しにされた一般要求は、１ステップ先のＥＭＳ性能余力で処理される候補になるが、既存の処理待ち要求数や１ステップ先の優先要求数が多いと、相対的にＥＭＳ性能余力が小さくなるからである。その結果、一般要求は１ステップ先のＥＭＳ性能余力で処理されない場合があり、その場合はさらに先のステップの処理に回されてしまう。

要求は顧客のサービス契約、解約および契約変更を契機に発生するため、ＯｐＳの保守者はＥＭＳに要求を投入した後、その実行結果を確認しなければならい。ＥＭＳ負荷平準化によりＣＡＰＥＸ／ＯＰＥＸを削減できる反面、運用現場における保守者の視点からは、こうした要求に対してＥＭＳからの結果通知が遅延した場合に、異常が発生しているのか負荷平準化によるものかの判断が難しくなる。仮に、負荷平準化による遅延であったことが判断できたとしても、要求に対していつ処理が行われるかわかならいと、顧客を持つキャリア網への適用は難しい。

将来必要なＥＭＳ性能需要を計るため、また、要求発生から処理開始実行までのタイムラグ（レイテンシ）を予め予測するためには、２ステップ先以降の要求数までも予測する必要がある。

上記事情に鑑み、本発明は、複数ステップ以上先までの処理要求数を予測することができる要求数予測装置及び要求数予測方法を提供することを目的としている。

本発明の一態様は、各単位時間において発生した処理要求の数に基づいて、処理要求の数を変数とし、単位時間における処理要求の数から次の単位時間における処理要求の予測数を算出する時系列予測アルゴリズムを学習する学習部と、前記時系列予測アルゴリズムを用いて、予測を開始する単位時間の前の単位時間において発生した処理要求の数から、予測を開始する前記単位時間における処理要求の予測数を算出した後、算出された前記予測数から、前記時系列予測アルゴリズムを用いて、前記予測数が算出された次の単位時間における処理要求の予測数を算出する処理を繰り返して処理要求の予測数の推移を算出する要求数予測部と、を備えることを特徴とする要求数予測装置である。

また、本発明の一態様は、上述の要求数予測装置であって、前記要求数予測部が予測した前記処理要求の予測数の推移と、前記処理要求の処理を行う処理装置が処理可能な処理要求の数とに基づいて、処理要求の発生から処理開始までの遅延時間を算出する処理遅延予測部をさらに備える、ことを特徴とする。

また、本発明の一態様は、上述の要求数予測装置であって、前記処理要求には、前記処理装置において優先して処理される処理要求である優先要求と、前記処理装置において前記優先要求の処理を行った余力により処理される処理要求である一般要求とがあり、前記学習部は、前記優先要求について前記時系列予測アルゴリズムをさらに学習し、前記要求数予測部は、前記優先要求について学習された前記時系列予測アルゴリズムを用いて、予測を開始するステップの前のステップにおける優先要求の数から、予測を開始する前記ステップにおける優先要求の予測数を算出し、算出された優先要求の前記予測数から、前記優先要求について学習された前記時系列予測アルゴリズムを用いて、優先要求の前記予測数が算出された次のステップにおける優先要求の予測数を算出する処理を繰り返して優先要求の予測数の推移をさらに算出し、前記処理遅延予測部は、前記要求数予測部が予測した前記優先要求の予測数の推移の中に、前記処理装置が処理可能な処理要求の数を超えた予測数がある場合に、エラーを検出する、ことを特徴とする。

また、本発明の一態様は、上述の要求数予測装置であって、前記処理遅延予測部は、前記要求数予測部が予測した所定期間における前記処理要求の予測数の推移の最大値に対する所定割合を、前記処理装置が処理可能な処理要求の数として用いて前記遅延を算出する、ことを特徴とする。

本発明の一態様は、要求数予測装置が実行する要求数予測方法であって、学習部が、各単位時間において発生した処理要求の数に基づいて、処理要求の数を変数とし、単位時間における処理要求の数から次の単位時間における処理要求の予測数を算出する時系列予測アルゴリズムを学習する学習過程と、要求数予測部が、前記時系列予測アルゴリズムを用いて、予測を開始する単位時間の前の単位時間において発生した処理要求の数から、予測を開始する前記単位時間における処理要求の予測数を算出した後、算出された前記予測数から、前記時系列予測アルゴリズムを用いて、前記予測数が算出された次の単位時間における処理要求の予測数を算出する処理を繰り返して処理要求の予測数の推移を算出する要求数予測過程と、を有することを特徴とする要求数予測方法である。

また、本発明の一態様は、上述の要求数予測方法であって、処理遅延予測部が、前記要求数予測過程において予測された前記処理要求の予測数の推移と、前記処理要求の処理を行う処理装置が処理可能な処理要求の数とに基づいて、処理要求の発生から処理開始までの遅延時間を算出する処理遅延予測過程をさらに有する、ことを特徴とする。

また、本発明の一態様は、上述の要求数予測方法であって、前記処理要求には、前記処理装置において優先して処理される処理要求である優先要求と、前記処理装置において前記優先要求の処理を行った余力により処理される処理要求である一般要求とがあり、前記学習過程において、前記優先要求について前記時系列予測アルゴリズムをさらに学習し、前記要求数予測過程において、前記優先要求について学習された前記時系列予測アルゴリズムを用いて、予測を開始するステップの前のステップにおける優先要求の数から、予測を開始する前記ステップにおける優先要求の予測数を算出し、算出された優先要求の前記予測数から、前記優先要求について学習された前記時系列予測アルゴリズムを用いて、優先要求の前記予測数が算出された次のステップにおける優先要求の予測数を算出する処理を繰り返して優先要求の予測数の推移をさらに算出し、前記処理遅延予測過程において、前記要求数予測過程において予測された前記優先要求の予測数の推移の中に、前記処理装置が処理可能な処理要求の数を超えた予測数がある場合に、エラーを検出する、ことを特徴とする。

また、本発明の一態様は、上述の要求数予測方法であって、前記処理遅延予測過程において、前記要求数予測過程において予測した所定期間における前記処理要求の予測数の推移の最大値に対する所定割合を、前記処理装置が処理可能な処理要求の数として用いて前記遅延を算出する、ことを特徴とする。

本発明により、複数ステップ以上先までの処理要求数を予測することが可能となる。

本発明の一実施形態による要求数予測装置の構成を示す機能ブロック図である。同実施形態による要求数予測装置の要求数の推移予測処理を示す処理フローである。同実施形態による要求数予測装置の要求数の推移予測の表示例を示す図である。同実施形態による要求数予測装置の要求数の推移予測の他の表示例を示す図である。同実施形態による要求数予測装置に適用されるＥＭＳ負荷平準化技術を説明するための図である。同実施形態による要求数予測装置におけるレイテンシ導出の考え方を示す図である。同実施形態による要求数予測装置におけるレイテンシ導出の考え方を示す図である。同実施形態による要求数予測装置におけるレイテンシ導出の考え方を示す図である。同実施形態による要求数予測装置におけるレイテンシ導出の考え方を示す図である。同実施形態による要求数予測装置のレイテンシ予測処理を示す処理フローである。同実施形態による要求数予測装置におけるレイテンシの表示例を示す図である。同実施形態による要求数予測装置がＥＭＳ性能を変化させた場合に算出したレイテンシの表示例を示す図である。同実施形態による要求数予測装置による１日目の加法モデルによる推移予測の結果を示すグラフである。同実施形態による要求数予測装置による４２日目の加法モデルによる推移予測の結果を示すグラフである。同実施形態による要求数予測装置によるレイテンシの予測結果を示すグラフである。

以下、図面を参照しながら本発明の実施形態を詳細に説明する。
図１は、本発明の一実施形態による要求数予測装置１の構成を示す機能ブロック図であり、本実施形態と関係する機能ブロックのみを抽出して示してある。要求数予測装置１は、１台または複数台のコンピュータ装置により実現される。要求数予測装置を複数台のコンピュータ装置により実現する場合、いずれのコンピュータ装置によりいずれの機能部を実現するかは任意とすることができる。

要求数予測装置１は、複数ステップ先までの処理要求の発生数を予測する。ここでは、処理要求が、上位ＯｐＳ（オペレーションシステム）からＥＭＳ（エレメント管理システム）へ送信されるサービス設定要求である場合を例に説明する。つまり、ＥＭＳは、処理要求に応じた処理を実行する処理装置の一例である。また、ステップとは、単位時間を意味する。要求数予測装置１は、要求数の予測に、時系列予測手法を適用する。時系列予測手法とは、時間経過に従って測定されたデータ（時系列データ）から時間とデータの関係（時系列モデル）を分析し、分析した時系列モデルを基に将来の要求数の推移を予測することである。要求数予測装置１は、予測した要求数の推移に基づいて、サービス設定要求（以下、「要求」と記載する。）の発生からその要求が処理されるまでの遅延時間（タイムラグ）であるレイテンシを算出し、運用要件に応じて将来必要となる設備量の見積りを支援する。要求数の推移には周期性が見られることが既に分かっている。そこで、要求数予測装置１は、周期性を考慮した時系列予測手法として、一般的に知られているHolt-Winters法（以下、「ＨＷ法」と記載する。）を適用する。

要求数予測装置１は、履歴記憶部２と、処理部３と、入力部７と、表示部８とを備えて構成される。
履歴記憶部２は、履歴情報を記憶する。履歴情報は、上位ＯｐＳからＥＭＳへの要求が発生した時刻である要求時刻と、その要求が一般要求であるか優先要求であるかの種別とを示す時系列データである。なお、履歴情報に、各ステップの開始時刻と、そのステップにおいて発生した一般要求と優先要求それぞれの要求数を設定してもよい。優先要求は、要求の処理装置であるＥＭＳにおいて優先して処理されるサービス要求であり、一般要求は、ＥＭＳにおいて優先要求の処理を行った余力により処理されるサービス要求である。

処理部３は、学習部４と、要求数予測部５と、処理遅延予測部６とを備えて構成される。
学習部４は、履歴記憶部２に記憶されている履歴情報を用いて、サービス要求の数を変数とし、あるステップにおけるサービス要求の数からそのステップの次のステップにおけるサービス要求の予測数を算出する時系列予測アルゴリズムを学習する。学習部４は、時系列予測アルゴリズムとして、合計要求数予測式及び優先要求数予測式を学習する。合計要求数予測式は、優先要求と一般要求の合計の予測数（以下、「予測合計要求数」とも記載する。）を算出する式である。優先要求数予測式は、優先要求の予測数（以下、「予測優先要求数」とも記載する。）を算出する式である。合計要求数予測式及び優先要求数予測式の両予測式には、ＨＷ法が用いられる。
要求数予測部５は、学習部４が学習した合計要求数予測式により、２ステップ以上先までの予測合計要求数を算出する。また、要求数予測部５は、学習部４が学習した優先要求数予測式により、２ステップ以上先までの予測優先要求数を算出する。
処理遅延予測部６は、要求数予測部５が予測した予測合計要求数に基づいて、一般要求のレイテンシを算出する。また、処理遅延予測部６は、要求数予測部５が予測した予測優先要求数の中に、ＥＭＳ性能を超える予測優先要求数があることを検出した場合、エラーを出力する。

入力部７は、キーボードなどの入力装置であり、ユーザによる入力操作を受ける。入力部７は、要求数予測装置１とネットワークを介して接続されるコンピュータ装置からデータの入力を受けてもよい。
表示部８は、ディスプレイなどの表示装置であり、画像や文字などのデータを画面に表示する。表示部８は、要求数予測装置１とネットワークを介して接続されるコンピュータ装置にデータを表示させてもよい。

ここで、ＨＷ法について説明する。ＨＷ法は、指数平滑法の一種であるが、指数平滑法の予測値を別の指数平滑法に多次式として適用する２次平滑法である。具体的には、ＨＷ法は、指数平滑法を基礎とし、時系列データの分析にトレンドと季節性の概念を取り入れた時系列予測アルゴリズム（時系列予測手法）である。トレンドは、過去から現時点までの変動傾向（上昇／下降傾向）を示すモデルであり、季節性は周期性のある時系列データから一周期における変動傾向を示すモデルである。ＨＷ法は、上昇／下降あるいは一定周期で繰り返す変動傾向が含まれる時系列データからの将来予測や、その規則性を基にした異常検知技術などに利用されている。

ＨＷ法の基礎となる指数平滑法の基本式は、次式（１）により表される。

式（１）における平滑化定数αは、０と１の間の値をとり、ある時点ｔの予測値＾ｙ_ｔ及び測定値ｙ_ｔを用いて、ｔ＋１の予測値＾ｙ_ｔ＋１を得る。ここで、予測値＾ｙ_ｔにおいても、予測値＾ｙ_ｔ＋１と同様の過程により帰納的に導出されるため、予測値＾ｙ_ｔの重み係数（１−α）は、指数関数的に過去の実測値に関わっている。つまり、予測において平滑化定数αは、予測時点ｔ＋１から過去に遡り、新しい測定値ほど重視し、古い測定値ほど無視する考え方を反映する重み付けパラメタである。αを１に近づけるほど、直近の測定値を重視する。

上述の指数平滑法の考え方を踏襲し、トレンドと季節性の概念を取り入れた手法がＨＷ法である。ＨＷ法には、加法モデルおよび乗法モデルの２種類があり、季節性の傾向の反映法に違いがある。加法モデルによる予測値＾ｙ_ｔ＋１の基本式を以下の式（２）に、乗法モデルによる予測値＾ｙ_ｔ＋１の基本式を以下の式（３）に示す。

加法モデル及び乗法モデルに共通してｚ_ｔは基本線を示す項であり、過去の測定値を基に指数平滑法で求められる。ｂ_ｔは予測値のトレンドを示す項であり、過去の測定値から直前の測定値にかけて上昇か下降かの傾向を示す。Ｃ_ｔは季節性を示す項であり、一周期毎の測定値から指数平滑法により変動傾向を示す。なお、Ｓは時系列データの周期性を示している。例えば、一年を一周期とした場合、四半期毎の時系列データであればＳは４であり、月次であればＳは１２となる。一週間を一周期とする時系列データの場合、同曜日（および同時刻）の測定値を用いて季節性を抽出する。

図２は、要求数予測装置１による要求数推移予測処理を示す処理フローである。なお、以下では、時刻ｔから開始するステップを時刻ｔのステップと記載し、時刻ｔのステップにおいて発生した要求を時刻ｔの要求とも記載する。各ステップの時間長は予め入力部７により入力しておくが、履歴情報が、ステップ毎の一般要求と優先要求それぞれの要求数を示す場合、時間長を入力しなくともよい。

まず、学習部４は、履歴記憶部２に記憶される履歴情報が示す時系列データから時刻ｔ−１、ｔ−２、…の各ステップにおける優先要求と一般要求の合計要求数を取得する（ステップＳ１０５）。時刻ｔは、現在時刻または入力部７によりユーザが入力した時刻とすることができる。この場合、予測を開始するステップは、時刻ｔ＋１のステップである。学習部４は、時刻ｔ−ｉ（ｉは１以上の整数）のステップにおける一般要求と優先要求の合計の数を、合計要求数ｙ_ｔ−ｉとする。学習部４は、取得した過去のステップ毎の合計要求数ｙ_ｔ−ｉを用いて、式（２）又は式（３）におけるパラメタα、β、γそれぞれの値を学習する（ステップＳ１１０）。学習部４は、式（２）又は式（３）に、学習したパラメタα、β、γを設定して合計要求数予測式を生成する。

続いて、学習部４は、履歴記憶部２に記憶される履歴情報が示す時系列データから時刻ｔ−１、ｔ−２、…の各ステップにおける優先要求数を取得する（ステップＳ１１５）。学習部４は、時刻ｔ−ｉ（ｉは１以上の整数）のステップにおける優先要求の数を、優先要求数ｙ_ｔ−ｉとする。学習部４は、取得した過去のステップ毎の優先要求数ｙ_ｔ−ｉを用いて、式（２）又は式（３）におけるパラメタα、β、γそれぞれの値を学習する（ステップＳ１２０）。学習部４は、式（２）又は式（３）に、学習したパラメタα、β、γを設定して優先要求数予測式を生成する。
なお、合計要求数予測式と優先要求数予測式の両方に式（２）又は式（３）を用いてもよく、いずれかの予測式に式（２）を用い、他方の予測式に式（３）を用いてもよい。式（２）と式（３）のいずれを用いるかは、適合性の高さにより選択する。例えば、当該ＥＭＳの利用履歴から学習用データと評価用データを生成し、学習用データから式（２）を用いたときの予測式と式（３）を用いたときの予測式を生成する。そして、生成した加法モデルによる予測式及び乗法モデルによる予測式について、評価用データを使って後述するＲＭＳＥ（Root Mean Sueare Error：平均二乗平方誤差）を求め、ＲＭＳＥが小さい方のモデルによる予測式を採用する。

要求数予測部５は、変数ｊに１を設定する（ステップＳ１２５）。要求数予測部５は、履歴記憶部２に記憶される履歴情報が示す時系列データから時刻ｔの一般要求と優先要求の合計要求数を取得する（ステップＳ１３０）。要求数予測部５は、学習部４が学習した合計要求数予測式のｙ_ｔに時刻ｔの合計要求数を代入して＾ｙ_ｔ＋１を算出し、時刻ｔ＋ｊのステップの予測合計要求数とする（ステップＳ１３５）。さらに、要求数予測部５は、履歴記憶部２に記憶される履歴情報が示す時系列データから時刻ｔの優先要求数を取得する（ステップＳ１４０）。要求数予測部５は、優先要求数予測式のｙ_ｔに時刻ｔの優先要求数を代入して＾ｙ_ｔ＋１を算出し、時刻ｔ＋ｊのステップにおける予測優先要求数とする（ステップＳ１４５）。

要求数予測部５は、要求数推移予測処理を終了するか否かを判断する（ステップＳ１５０）。要求数予測部５は、要求数推移予測処理を終了しないと判断した場合（ステップＳ１５０：ＮＯ）、合計要求数予測式のｙ_ｔに時刻ｔ＋ｊのステップにおける予測合計要求数を代入して＾ｙ_ｔ＋１を算出し、時刻ｔ＋ｊ＋１のステップにおける予測合計要求数とする（ステップＳ１５５）。さらに、要求数予測部５は、優先要求数予測式のｙ_ｔに時刻ｔ＋ｊのステップにおける予測優先要求数を代入して＾ｙ_ｔ＋１を算出し、時刻ｔ＋ｊ＋１のステップにおける予測優先要求数とする（ステップＳ１６０）。要求数予測部５は、変数ｊに１を加算して更新し（ステップＳ１６５）、ステップＳ１５０からの処理を繰り返す。

そして、要求数予測部５は、要求数推移予測処理を終了すると判断した場合（ステップＳ１５０：ＹＥＳ）、処理を終了する。例えば、変数ｊが入力部７により予め入力された予測期間の最後のステップに対応した値を超えた場合や、入力部７により終了の指示が入力された場合、要求数推移予測処理を終了すると判断する。

上記処理により、要求数予測部５は、複数ステップ先までの予測合計要求数及び予測優先要求数の推移予測を得る。なお、合計要求数予測式や優先要求数予測式の学習のみを行う場合、要求数予測部５は、ステップＳ１０５〜ステップＳ１２０の処理のみを行う。また、要求数予測部５は、合計要求数の推移予測のみを算出する場合、ステップＳ１１５、Ｓ１２０、Ｓ１４０、Ｓ１４５、及びＳ１６０の処理を省略し、優先要求数の推移予測のみを算出する場合、ステップＳ１０５、Ｓ１１０、Ｓ１３０、Ｓ１３５、及びＳ１５５の処理を省略する。

図３は、要求数予測装置１における要求数の推移予測の表示例を示す図である。
要求数予測部５は、同図に示すように、履歴情報から得られる時刻ｔまでの合計要求数及び優先要求数と、時刻ｔ＋１以降について算出した予測合計要求数及び予測優先要求数とを、折れ線グラフにより表示部８に表示させる。

図４は、要求数予測装置１における要求数の推移予測の他の表示例を示す図である。
要求数予測部５は、履歴情報から得られる時刻ｔまでの優先要求数及び一般要求数と、時刻ｔ＋１以降について算出した予測優先要求数及び予測一般要求数とを、同図に示すように棒グラフにより表示部８に表示させる。なお、縦軸のメモリは、算出した予測合計要求数の最大値（予測最大要求数）を１．０としたときの値を示す。要求数予測部５は、時刻ｔ＋ｊの予測一般要求数を、時刻ｔ＋ｊの予測合計要求数から時刻ｔ＋ｊの予測優先要求数を減算して算出する。さらに、要求数予測部５は、予測最大要求数に対するＥＭＳ性能の割合をグラフ上に表示する。ＥＭＳ性能は、入力部７によりユーザが入力しておく。

次に、レイテンシ予測について説明する。
要求には、優先要求と一般要求の区別があるものの、基本的にはＥＭＳは要求発生順序を維持して要求を処理する。そのため、負荷平準化により後回しにされた要求処理がどれくらい遅延するか、すなわち、いつ処理実行されるかは、ＥＭＳ性能余力に依存する。

図５は、要求数予測装置１に適用されるＥＭＳ負荷平準化技術を説明するための図である。同図では、時系列の合計要求数（優先要求と一般要求の合計数）の推移ｐ１と優先要求数の推移ｐ２を示している。Ｐ_ＥＭＳは、ＥＭＳが遅延なく処理可能な要求数である。ＥＭＳ負荷平準化技術を使用しない場合、合計要求数がＰ_ＥＭＳを超えている時間帯があるため、Ｐ_ＥＭＳが最大の合計要求数（サービス要求数）を超えるようにＥＭＳを増設しなければならない。しかし、最大の合計要求数を想定して設備投資を行うと、ＥＭＳの平均の稼働率が低くなってしまい、ＣＡＰＥＸ／ＯＰＥＸの恩恵を最大限に享受できない。ＥＭＳ負荷平準化技術は、優先要求処理のＥＭＳ性能を確保した上で、ＥＭＳ性能余力を超えた分の一般要求数を、次ステップ以降に要求発生順に処理する。ＥＭＳ性能余力とは、優先要求数とＰ_ＥＭＳとの差分である。

図６〜図９は、要求数予測装置１におけるレイテンシ導出の考え方を示す図である。
時刻ｔの合計要求数をｇ（ｔ）、時刻ｔの優先要求数をｅ（ｔ）、時刻ｔにおける処理対象の要求の総数を総要求数Ｇ（ｔ）、時刻ｔにおける処理待ち要求数をｗ（ｔ）、時刻ｔにおけるＥＭＳ性能余力をＰｅ（ｔ）とする。Ｐｅ（ｔ）は、Ｐ_ＥＭＳ−ｅ（ｔ）により得られる。

図６は、時系列の過去及び予測の一般要求数及び優先要求数を示している。各ステップの棒グラフの下の部分は優先要求数を示しており、上の部分は一般要求数を示している。優先要求数及び一般要求数を合わせた棒グラフ全体の高さは、合計要求数を表す。同図において、時刻ｔ−１までは、合計要求数がＰ_ＥＭＳを下回っており、時刻ｔにおいて、合計要求数ｇ（ｔ）がＰ_ＥＭＳを超過している。つまり、時刻ｔより前には処理待ちの要求がないため、合計要求数ｇ（ｔ）＝総要求数Ｇ（ｔ）となる。時刻ｔにおける一般要求の処理待ち要求数ｗ（ｔ）は、総要求数Ｇ（ｔ）−Ｐ_ＥＭＳにより得られる。

図７は、時刻ｔの処理待ちの一般要求を時刻ｔ＋１に遅延させたときの要求数を示す。同図に示すように、時刻ｔ＋１の総要求数Ｇ（ｔ＋１）は、合計要求数ｇ（ｔ＋１）と処理待ち要求数ｗ（ｔ）の合計となる。ＥＭＳは、ＥＭＳ性能余力Ｐｅ（ｔ＋１）の一般要求を要求時刻順に処理する。時刻ｔ＋１におけるＥＭＳ性能余力Ｐｅ（ｔ＋１）＞処理待ち要求数ｗ（ｔ）であるため、ＥＭＳは、時刻ｔの一般要求全てを時刻ｔ＋１において処理する。従って、時刻ｔの一般要求のレイテンシは１（時刻ｔのステップから時刻ｔ＋１のステップまでのステップ数）となる。時刻ｔ＋１における一般要求の処理待ち要求数ｗ（ｔ＋１）は、総要求数Ｇ（ｔ＋１）−Ｐ_ＥＭＳにより得られる。

図８は、時刻ｔ＋１の処理待ちの一般要求を時刻ｔ＋２に遅延させたときの要求数を示す。同図に示すように、時刻ｔ＋２の総要求数Ｇ（ｔ＋２）は、合計要求数ｇ（ｔ＋２）と処理待ち要求数ｗ（ｔ＋１）の合計となる。時刻ｔ＋２におけるＥＭＳ性能余力Ｐｅ（ｔ＋２）＜処理待ち要求数ｗ（ｔ＋１）であるため、ＥＭＳは、時刻ｔ＋２において、時刻ｔ＋１に発生した処理待ち要求数ｗ（ｔ＋１）の一般要求のうち、要求時刻順にＥＭＳ性能余力Ｐｅ（ｔ＋２）だけ処理を行い、残りは処理待ちとなる。また、時刻ｔ＋２に発生した一般要求は全て処理待ちとなる。
時刻ｔ＋２における一般要求の処理待ち要求数ｗ（ｔ＋２）は、総要求数Ｇ（ｔ＋２）−Ｐ_ＥＭＳにより得られる。処理待ち要求数ｗ（ｔ＋２）は、時刻ｔ＋１に発生した一般要求のうち、時刻ｔ＋２で処理できなかった一般要求と、時刻ｔ＋２に発生した一般要求との合計数である。時刻ｔ＋１に発生した処理待ちの一般要求のうち、時刻ｔ＋２で処理できなかった一般要求の数をｗ（ｔ＋２）’とし、時刻ｔ＋２に発生した処理待ちの一般要求の数をｗ（ｔ＋２）”とする。

図９は、時刻ｔ＋２の処理待ちの一般要求を時刻ｔ＋３に遅延させたとき要求数を示す。同図に示すように、時刻ｔ＋３の総要求数Ｇ（ｔ＋３）は、合計要求数ｇ（ｔ＋３）と処理待ち要求数ｗ（ｔ＋２）の合計となる。時刻ｔ＋３におけるＥＭＳ性能余力Ｐｅ（ｔ＋３）＜処理待ち要求数ｗ（ｔ＋２）’であるため、ＥＭＳは、時刻ｔ＋３において、未処理であった時刻ｔ＋１の一般要求をすべて処理する。従って、時刻ｔ＋１の一般要求のレイテンシは２（＝時刻ｔ＋３−時刻ｔ＋１）となる。
上記を繰り返すことにより、各時刻に発生した要求のレイテンシが算出される。

上記から、複数ステップ先までの予測合計要求数及び予測優先要求数が得られれば、レイテンシが予測できることが分かる。レイテンシの時間的粒度は、要求数推移予測の時間的粒度、つまり、１ステップの時間に依存する。

図１０は、処理遅延予測部６におけるレイテンシ予測処理を示す処理フローである。
このレイテンシ予測処理の開始前に、学習部４は、合計要求数予測式及び優先要求数予測式を学習し、要求数予測部５は、学習部４が学習した合計要求数予測式及び優先要求数予測式を用いて、予測合計要求数及び予測優先要求数を予め算出しておく。なお、要求数予測部５は、処理遅延予測部６からの要求がある度に予測合計要求数及び予測優先要求数を算出してもよい。

まず、処理遅延予測部６に要求発生時刻と、処理待ち要求数ｗと、ＥＭＳ性能Ｐ_ＥＭＳとが入力される（ステップＳ２０５）。要求発生時刻は、現在時刻でもよく、現在時刻以前または以降の時刻でもよい。処理遅延予測部６は、入力された要求発生時刻を時刻Ｔに設定する（ステップＳ２１０）。

処理遅延予測部６は、時刻Ｔを要求数予測部５に出力し、合計要求数ｇ（Ｔ）及び優先要求数ｅ（Ｔ）を要求する。要求数予測部５は、学習部４により学習された合計要求数予測式及び優先要求数予測式を用いて算出された時刻Ｔにおける予測合計要求数及び予測優先要求数を、合計要求数ｇ（Ｔ）及び優先要求数ｅ（Ｔ）として処理遅延予測部６に返送する（ステップＳ２１５）。なお、時刻Ｔが現在時刻よりも前の時刻である場合、要求数予測部５は、履歴情報から時刻Ｔの合計要求数及び優先要求数を取得し、合計要求数ｇ（Ｔ）及び優先要求数ｅ（Ｔ）として処理遅延予測部６に出力する。以下の処理においても同様である。

処理遅延予測部６は、Ｐ_ＥＭＳが優先要求数ｅ（Ｔ）を下回るか否かを判断する（ステップＳ２２０）。処理遅延予測部６は、Ｐ_ＥＭＳが優先要求数ｅ（Ｔ）を下回ると判断した場合（ステップＳ２２０：ＹＥＳ）、エラーと現在の時刻Ｔの値を出力して処理を終了する（ステップＳ２２５）。時刻Ｔの値を出力することにより、ＥＭＳ性能要件を満たさないことをエラーで示すだけでなく、いつＥＭＳ性能を満たさなくなるかを把握可能とする。

処理遅延予測部６は、Ｐ_ＥＭＳが優先要求数ｅ（Ｔ）以上であると判断した場合（ステップＳ２２０：ＮＯ）、時刻Ｔにおける総要求数Ｇを計算する（ステップＳ２３０）。総要求数Ｇは、合計要求数ｇ（Ｔ）と処理待ち要求数ｗとの加算により算出される。処理遅延予測部６は、総要求数Ｇが、Ｐ_ＥＭＳで処理可能か否かを判断する（ステップＳ２３５）。処理遅延予測部６は、総要求数ＧがＰ_ＥＭＳ以下であり、総要求数ＧがＰ_ＥＭＳで処理可能であると判断した場合（ステップＳ２３５：ＹＥＳ）、レイテンシが０と判断する（ステップＳ２４０）。つまり、処理遅延予測部６は、要求発生時刻において発生した要求は、要求発生時刻の次の時刻までに処理が開始されていると判断し、処理を終了する。

処理遅延予測部６は、総要求数ＧがＰ_ＥＭＳより大きく、総要求数ＧがＰ_ＥＭＳで処理できないと判断した場合（ステップＳ２３５：ＮＯ）、処理待ち要求数ｗを算出する（ステップＳ２４５）。処理待ち要求数ｗは、総要求数ＧからＰ_ＥＭＳを減算して算出される。処理遅延予測部６は、時刻Ｔの値を、次のステップの時刻Ｔ＋１に更新する（ステップＳ２５０）。処理遅延予測部６は、更新した時刻Ｔを要求数予測部５に出力し、合計要求数ｇ（Ｔ）及び優先要求数ｅ（Ｔ）を要求する。要求数予測部５は、時刻Ｔにおける予測合計要求数及び予測優先要求数を、合計要求数ｇ（Ｔ）及び優先要求数ｅ（Ｔ）として処理遅延予測部６に返送する（ステップＳ２５５）。

処理遅延予測部６は、Ｐ_ＥＭＳがステップＳ２５５により得た優先要求数ｅ（Ｔ）を下回るか否かを判断する（ステップＳ２６０）。処理遅延予測部６は、Ｐ_ＥＭＳが優先要求数ｅ（Ｔ）を下回ると判断した場合（ステップＳ２６０：ＹＥＳ）、エラーと時刻Ｔの値を出力して処理を終了する（ステップＳ２２５）。

処理遅延予測部６は、Ｐ_ＥＭＳが優先要求数ｅ（Ｔ）以上である判断した場合（ステップＳ２６０：ＮＯ）、待ち要求数ｗがＥＭＳ性能余力で処理し終えるまで、時刻Ｔを更新する。そこで、処理遅延予測部６は、Ｐ_ＥＭＳから、優先要求数ｅ（Ｔ）を減算してＥＭＳ性能余力を算出する（ステップＳ２６５）。処理遅延予測部６は、算出したＥＭＳ性能余力よりも待ち要求数ｗが大きいか否かを判断する（ステップＳ２７０）。処理遅延予測部６は、待ち要求数ｗがＥＭＳ性能余力よりも大きいと判断した場合（ステップＳ２７０：ＹＥＳ）、処理待ち要求数ｗを更新する（ステップＳ２７５）。具体的には、処理遅延予測部６は、合計要求数ｇ（Ｔ）と、現在の処理待ち要求数ｗとの合計から、Ｐ_ＥＭＳを減算した値により、処理待ち要求数ｗを更新する。処理遅延予測部６は、時刻Ｔを、次のステップの時刻Ｔ＋１に更新する（ステップＳ２８０）。処理遅延予測部６は、時刻Ｔを要求数予測部５に出力し、合計要求数ｇ（Ｔ）及び優先要求数ｅ（Ｔ）を要求する。要求数予測部５は、時刻Ｔにおける予測合計要求数及び予測優先要求数を、合計要求数ｇ（Ｔ）及び優先要求数ｅ（Ｔ）として処理遅延予測部６に返送する（ステップＳ２８５）。

処理遅延予測部６は、Ｐ_ＥＭＳが優先要求数ｅ（Ｔ）を下回るか否かを判断する（ステップＳ２９０）。処理遅延予測部６は、Ｐ_ＥＭＳが優先要求数ｅ（Ｔ）を下回ると判断した場合（ステップＳ２９０：ＹＥＳ）、エラーと時刻Ｔの値を出力して処理を終了する（ステップＳ２２５）。
処理遅延予測部６は、Ｐ_ＥＭＳが優先要求数ｅ（Ｔ）以上であると判断した場合（ステップＳ２９０：ＹＥＳ）、ステップＳ２６５からの処理を繰り返す。

そして、処理遅延予測部６は、待ち要求数ｗがＥＭＳ性能余力以下であると判断した場合（ステップＳ２７０：ＮＯ）、レイテンシは、要求発生時刻から時刻Ｔまでの間のステップ数であると判断する（ステップＳ２９５）。つまり、処理遅延予測部６は、レイテンシは、要求発生時刻のステップから時刻Ｔのステップまでのステップ数であり、要求発生時刻において発生した要求は、時刻Ｔ＋１までに処理が開始されていると判断し、処理を終了する。

上記のように、処理遅延予測部６は、時系列予測手法を適用して得られた要求数の推移に基づいてレイテンシを予測する。レイテンシの時間的粒度は、学習部４が学習したときに用いた要求数推移予測の時間的粒度（１ステップの時間長）に依存する。
ユーザがレイテンシ算出期間を入力部７により入力した場合、処理遅延予測部６は、そのレイテンシ算出期間に含まれる各ステップの時刻をステップＳ２０５に入力する要求発生時刻として、図１０に示す処理を行う。なお、ステップＳ２０５において要求発生時刻とともに入力する処理待ち要求数は、その要求発生時刻よりも前の時刻を要求発生時刻として図１０の処理を行ったときに得られた処理待ち要求数を用いる。これにより、レイテンシ算出期間に含まれる各ステップについてのレイテンシが得られる。

図１１は、図３に示す要求数の推移予測が得られたときに得られたレイテンシの表示例を示す図である。処理遅延予測部６は、各時刻のステップについて算出したレイテンシを同図に示すようにグラフにより表示する。同図の棒グラフは、１時間毎の要求数推移予測を基にした結果のため、時刻ｔにおけるレイテンシ（＝１）は、時刻ｔに発生した要求が最大１時間遅延していることを示す。また、同図において、折れ線グラフはＥＭＳ性能に対する待ち要求数の割合を表している。同図に示す例では、最大でＥＭＳ性能の５倍近くの要求数が待ち時間となる時間帯がある。この待ち要求数が、ＥＳＭ性能余力で処理されることになる。

上記のように、学習部４において合計要求数予測式及び優先要求数予測式が学習されれば、ユーザがＥＭＳ性能を意図的に変更して入力することにより、処理遅延予測部６により、そのＥＭＳ性能のときのレイテンシを算出することが可能である。
例えば、ユーザは３か月後までなど、所定期間先までの要求数の予測を入力部７により要求数予測装置１に入力する。学習部４は、履歴情報を参照して合計要求数予測式及び優先要求数予測式を算出し、要求数予測部５は、学習部４が学習した合計要求数予測式及び優先要求数予測式を用いて、現在から指定された所定期間先までの予測合計要求数を算出する。

ユーザは、予測合計要求数の最大値に対するＥＭＳ性能の割合を入力部７により要求数予測装置１に入力する。処理遅延予測部６は、要求数予測部５が算出した所定期間先までの予測合計要求数のうち最大値を選択し、選択した予測合計要求数に入力された割合を乗算した結果を、ステップＳ２０５において入力されるＰ_ＥＭＳとする。そして、処理遅延予測部６は、上述したように、レイテンシ算出期間の各ステップについてレイテンシを算出し、レイテンシ算出期間における最大レイテンシと平均レイテンシを算出する。これにより、ＥＭＳ性能を変更した場合のレイテンシを得ることができる。

また、ユーザが予測合計要求数の最大値に対するＥＭＳ性能の割合を複数入力した場合、処理遅延予測部６は、その割合のそれぞれについてレイテンシ算出期間における最大レイテンシと平均レイテンシを算出する。例えば、０．５〜１．０までの０．１きざみなどのように入力することも可能である。処理遅延予測部６は、それら複数の割合のそれぞれについてレイテンシ算出期間における最大レイテンシと平均レイテンシを算出し、表示部８に表示させる。

図１２は、ＥＭＳ性能を変化させた場合に算出されたレイテンシの表示例を示す図である。処理遅延予測部６は、同図に示すように、予測合計要求数の最大値に対するＥＭＳ性能の割合と、最大レイテンシ及び平均レイテンシとの関係を表示部８に表示させる。例えば、事業者が、レイテンシを最大２時間とする場合、図１２に示す表示から、ＥＭＳ性能を最大要求数の０．７以上としなければならないことが分かる。事業者は、この表示を参照して、適切なＥＭＳ性能の設備量を供給することにより、過剰なＣＡＰＥＳ／ＯＰＥＸを抑えることが可能となる。

次に、要求数予測装置１に対する実験結果について示す。
実験には、実際のキャリア網において稼働しているＥＭＳから抽出した要求履歴のうち、連続する１０６日間分（述べ２３７８８０５件）を用いた。なお、抽出対象となったＥＭＳは、全体の一部であるため、本実験で用いた要求数は、全体の契約件数を表すものではない。また、ＨＷ法で扱う時系列データは、要求履歴を基に１時間ごとに統計を取った要求数（優先要求と一般要求の合計要求数、及び、優先要求数）を使用した。ただし、乗法モデルの適用については測定値０が扱えないため、０は１にスムージングして用いた。

本実験では、予測区間Ｌ（＝１００８時間（６週間））の予測精度を評価した。ＨＷ法における加法モデル及び乗法モデルの適合性を計る指標として、以下の式（４）に示すように、ＲＭＳＥを採用した。ＲＭＳＥは正解の値と推移予測の誤差を数値化しているため、小さい程予測精度が高く、優れたモデルといえる。

なお、本実験におけるＨＷ法の実装と各パラメタα、β、γの選定及び要求数推移予測は、ＧＮＵＲ（統計処理ソフトＲ）のHoltWinters及びForcastライブラリを利用した。ＧＮＵＲでは、時系列モデル作成時にパラメタを指定しなかった場合、与えられた測定値と推移予測の平均二乗誤差が最も小さくなるようなパラメタが選定される。なお、季節性周期Ｓは１６８（１週間）とした。

学習部４による学習の結果得られたパラメタは、加法モデルの合計要求数予測式の場合、α＝０．３１、β＝０．００、γ＝０．４９であり、加法モデルの優先要求数予測式の場合、α＝０．４６、β＝０．００、γ＝０．５３であった。また、乗法モデルの合計要求数予測式の場合、α＝０．０、β＝０．００、γ＝０．３１であり、乗法モデルの優先要求数予測式の場合、α＝０．０、β＝０．００、γ＝０．５８であった。

表１の評価結果は、加法モデルと乗法モデルのそれぞれによる推移予測（予測区間Ｌ＝１００８時間（６週間））のうち、１日目（１〜２４時間）、７日目（１４５〜１６８時間）、及び、４２日目（９８５〜１００８時間）の予測誤差を示す。

上記の表に示すように、ＨＷ法は、４２日目の優先要求を除き、あらかたの予測期間において良好な予測結果を得ることが確認できた。加法モデルと乗法モデルの予測誤差を比較した結果、本ＥＭＳにおける要求数予測にＨＷ法を適用する場合は、加法モデルが有効であると言える。

また、図１３は、要求数予測装置１による１日目の加法モデルによる推移予測の結果を示すグラフであり、図１４は、要求数予測装置１による４２日目の加法モデルによる推移予測の結果を示すグラフである。図１３及び図１４から、時期の変化により測定値が変化しているにも関わらず精度よく予測ができていることが分かる。また、４２日目の予測精度が１日目の予測精度には劣るが、比較的良好な推移予測ができていることが分かる。以上のことから、本方式は、１日先から４２日先まで高い精度を維持して予測可能な方式と言える。

図１５は、要求数予測装置１によるレイテンシの予測結果を示す図である。最大要求数を処理可能なＥＭＳ性能を１．０（横軸）とし、最大要求数に対してどれくらいのＥＭＳ性能があれば、どれくらいのレイテンシが発生するのかを要求数予測装置１により算出した。例えば、運用要件として最大３時間あるいは平均０．２１時間までのレイテンシを許容できるなら、最大要求数に対して６割程度のＥＭＳ性能供給で賄え、逆に最大要求数に対して５割のＥＭＳ性能で運用した場合は、最大５時間（平均０．７９時間）のレイテンシが発生することがわかる。

図１５に示すレイテンシの予測結果は、先に示したＨＷ法（加法モデル）が良好な予測精度であったことから運用上許容できるレイテンシから将来必要なＥＭＳ性能需要を適切に見積もれたと考えられる。よって、この結果に基づいて適切なＥＭＳ性能（設備量）を供給すれば、ＣＡＰＥＸ／ＯＰＥＸを抑えることが可能となる。

以上説明したように、要求数予測装置１は、サービス設定要求数の推移予測及び要求発生から処理実行までのタイムラグを示すレイテンシの導出を精度よく行うことができる。よって、サービス設定要求の処理が所定の品質を満たす範囲で、ＣＡＰＥＸ／ＯＰＥＸができる限り抑えるように、適切な時ＥＭＳ性能（設備量）を見積もることか可能となる。

上述した要求数予測装置１の機能をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでも良い。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。

以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

１要求数予測装置
２履歴記憶部
３処理部
４学習部
５要求数予測部
６処理遅延予測部
７入力部
８表示部

Claims

各単位時間において発生した処理要求の数に基づいて、処理要求の数を変数とし、単位時間における処理要求の数から次の単位時間における処理要求の予測数を算出する時系列予測アルゴリズムを学習する学習部と、
前記時系列予測アルゴリズムを用いて、予測を開始する単位時間の前の単位時間において発生した処理要求の数から、予測を開始する前記単位時間における処理要求の予測数を算出した後、算出された前記予測数から、前記時系列予測アルゴリズムを用いて、前記予測数が算出された次の単位時間における処理要求の予測数を算出する処理を繰り返して処理要求の予測数の推移を算出する要求数予測部と、
を備えることを特徴とする要求数予測装置。
前記要求数予測部が予測した前記処理要求の予測数の推移と、前記処理要求の処理を行う処理装置が処理可能な処理要求の数とに基づいて、処理要求の発生から処理開始までの遅延時間を算出する処理遅延予測部をさらに備える、
ことを特徴とする請求項１に記載の要求数予測装置。
前記処理要求には、前記処理装置において優先して処理される処理要求である優先要求と、前記処理装置において前記優先要求の処理を行った余力により処理される処理要求である一般要求とがあり、
前記学習部は、前記優先要求について前記時系列予測アルゴリズムをさらに学習し、
前記要求数予測部は、前記優先要求について学習された前記時系列予測アルゴリズムを用いて、予測を開始するステップの前のステップにおける優先要求の数から、予測を開始する前記ステップにおける優先要求の予測数を算出し、算出された優先要求の前記予測数から、前記優先要求について学習された前記時系列予測アルゴリズムを用いて、優先要求の前記予測数が算出された次のステップにおける優先要求の予測数を算出する処理を繰り返して優先要求の予測数の推移をさらに算出し、
前記処理遅延予測部は、前記要求数予測部が予測した前記優先要求の予測数の推移の中に、前記処理装置が処理可能な処理要求の数を超えた予測数がある場合に、エラーを検出する、
ことを特徴とする請求項２に記載の要求数予測装置。
前記処理遅延予測部は、前記要求数予測部が予測した所定期間における前記処理要求の予測数の推移の最大値に対する所定割合を、前記処理装置が処理可能な処理要求の数として用いて前記遅延を算出する、
ことを特徴とする請求項２または請求項３に記載の要求数予測装置。
要求数予測装置が実行する要求数予測方法であって、
学習部が、各単位時間において発生した処理要求の数に基づいて、処理要求の数を変数とし、単位時間における処理要求の数から次の単位時間における処理要求の予測数を算出する時系列予測アルゴリズムを学習する学習過程と、
要求数予測部が、前記時系列予測アルゴリズムを用いて、予測を開始する単位時間の前の単位時間において発生した処理要求の数から、予測を開始する前記単位時間における処理要求の予測数を算出した後、算出された前記予測数から、前記時系列予測アルゴリズムを用いて、前記予測数が算出された次の単位時間における処理要求の予測数を算出する処理を繰り返して処理要求の予測数の推移を算出する要求数予測過程と、
を有することを特徴とする要求数予測方法。
処理遅延予測部が、前記要求数予測過程において予測された前記処理要求の予測数の推移と、前記処理要求の処理を行う処理装置が処理可能な処理要求の数とに基づいて、処理要求の発生から処理開始までの遅延時間を算出する処理遅延予測過程をさらに有する、
ことを特徴とする請求項５に記載の要求数予測方法。
前記処理要求には、前記処理装置において優先して処理される処理要求である優先要求と、前記処理装置において前記優先要求の処理を行った余力により処理される処理要求である一般要求とがあり、
前記学習過程において、前記優先要求について前記時系列予測アルゴリズムをさらに学習し、
前記要求数予測過程において、前記優先要求について学習された前記時系列予測アルゴリズムを用いて、予測を開始するステップの前のステップにおける優先要求の数から、予測を開始する前記ステップにおける優先要求の予測数を算出し、算出された優先要求の前記予測数から、前記優先要求について学習された前記時系列予測アルゴリズムを用いて、優先要求の前記予測数が算出された次のステップにおける優先要求の予測数を算出する処理を繰り返して優先要求の予測数の推移をさらに算出し、
前記処理遅延予測過程において、前記要求数予測過程において予測された前記優先要求の予測数の推移の中に、前記処理装置が処理可能な処理要求の数を超えた予測数がある場合に、エラーを検出する、
ことを特徴とする請求項６に記載の要求数予測方法。
前記処理遅延予測過程において、前記要求数予測過程において予測した所定期間における前記処理要求の予測数の推移の最大値に対する所定割合を、前記処理装置が処理可能な処理要求の数として用いて前記遅延を算出する、
ことを特徴とする請求項６または請求項７に記載の要求数予測方法。